The effectiveness of Bayesian state‐space models for estimating behavioural states from movement paths
Notice bibliographique
Résumé
Summary Bayesian state‐space movement models have been proposed as a method of inferring behavioural states from movement paths (Morales et al. 2004), thereby providing insight into the behavioural processes from which patterns of animal space use arise in heterogeneous environments. It is not clear, however, how effective state‐space models are at estimating behavioural states. We use stochastic simulations of two movement models to quantify how behavioural state movement characteristics affect classification error. State‐space movement models can be a highly effective approach to estimating behavioural states from movement paths. Classification accuracy was contingent upon the degree of separation between the distributions that characterize the states (e.g. step length and turn angle distributions) and the relative frequency of the behavioural states. In the best case scenarios classification accuracy approached 100%, but was close to 0% when step length and turn angle distributions of each state were similar, or when one state was rare. Mean classification accuracy was uncorrelated with path length, but the variance in classification accuracy was inversely related to path length. Importantly, we find that classification accuracy can be predicted based on the separation between distributions that characterize the movement paths, thereby providing a method of estimating classification accuracy for real movement paths. We demonstrate this approach using radiotelemetry relocation data of 34 moose (Alces alces). We conclude that Bayesian state‐space models offer powerful new opportunities for inferring behavioural states from relocation data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».